ASR, czyli Automatic Speech Recognition, to technologia automatycznego rozpoznawania mowy, która przekształca wypowiadane słowa w tekst lub dane możliwe do dalszego przetwarzania przez komputer. System analizuje sygnał dźwiękowy z mikrofonu albo nagrania, rozpoznaje cechy mowy i przyporządkowuje je do słów lub fraz. ASR jest podstawą wielu funkcji głosowych spotykanych w smartfonach, komputerach, samochodach i urządzeniach inteligentnego domu. W praktyce umożliwia m.in. dyktowanie tekstu, tworzenie transkrypcji, wydawanie poleceń głosowych oraz obsługę asystentów głosowych.

Jak działa ASR i powiązane technologie głosowe

Najczęstsze pytanie dotyczące tego hasła brzmi: jak działa ASR? Proces rozpoczyna się od zarejestrowania mowy i zamiany jej na sygnał cyfrowy. Następnie system analizuje cechy akustyczne, rozpoznaje dźwięki mowy i na podstawie modeli językowych lub sieci neuronowych wybiera najbardziej prawdopodobny zapis wypowiedzi. Nowoczesne systemy ASR wykorzystują uczenie maszynowe i deep learning, czyli uczenie głębokie, dzięki czemu mogą rozpoznawać mowę ciągłą, różne akcenty i tempo wypowiedzi. Dokładność zależy jednak od jakości nagrania, hałasu otoczenia, mikrofonu, języka, wymowy i możliwości konkretnego modelu.

ASR bywa określane także jako speech recognition, automatic speech recognition, rozpoznawanie mowy lub speech-to-text, czyli STT. Pojęcia te są do siebie zbliżone, choć speech-to-text akcentuje przede wszystkim zamianę wypowiedzi na tekst, natomiast ASR może być elementem szerszego systemu sterowania głosem. Nie należy też mylić ASR z TTS, czyli Text-to-Speech. TTS działa w przeciwnym kierunku: przekształca tekst w syntetyczną mowę. ASR zamienia mowę na tekst lub reprezentację możliwą do dalszej analizy.

Często pojawia się również pytanie, czym ASR różni się od voice recognition, czyli rozpoznawania głosu. ASR skupia się przede wszystkim na treści wypowiedzi, czyli na tym, co zostało powiedziane. Rozpoznawanie głosu może natomiast służyć do identyfikacji osoby na podstawie cech jej głosu. ASR może być także łączone z NLP, czyli Natural Language Processing, aby system nie tylko zapisał wypowiedź, lecz również zinterpretował jej znaczenie i wykonał odpowiednie polecenie.

Zastosowanie systemów rozpoznawania mowy w praktyce

Technologia ASR jest stosowana w asystentach głosowych, aplikacjach do dyktowania, automatycznych napisach, systemach telefonicznych, transkrypcji rozmów i nagrań, nawigacji samochodowej, inteligentnych głośnikach oraz rozwiązaniach zwiększających dostępność urządzeń. Może działać lokalnie, jeśli model rozpoznawania jest zapisany w urządzeniu, albo korzystać z przetwarzania w chmurze. Oba sposoby mogą różnić się szybkością działania, dostępnością i wymaganiami dotyczącymi połączenia z siecią.

W specyfikacji urządzenia lub oprogramowania oznaczenie ASR informuje więc o funkcji automatycznego rozpoznawania mowy. Nie gwarantuje jednak jednakowej skuteczności w każdym języku i w każdych warunkach. Na jakość działania wpływają m.in. obsługiwane języki, czułość mikrofonu, zastosowane algorytmy oraz warunki akustyczne. ASR należy zatem rozumieć jako technologię umożliwiającą komputerowi interpretację wypowiadanych słów i przekształcanie ich w tekst lub polecenia wykorzystywane przez inne funkcje systemu.